AWS認定資格 WEB問題集＆徹底解説
機械学習エンジニア–アソシエイト
解説
正解はDです。このユースケースでは、時系列センサーデータから「将来の故障時期」を予測し、ジャストインタイムでの予防保守を実現することが目的です。DeepARは、複数の関連する時系列データから将来の値を予測することに特化した深層学習ベースのアルゴリズムであり、過去のセンサーデータと故障履歴を用いて、各機器の故障発生確率や具体的な故障時期を直接的に予測するのに最も適しています。
選択肢 A：K-Meansはクラスタリングアルゴリズムであり、データの類似パターンをグループ化するのに適していますが、特定の時点での将来のイベント（故障）を直接予測する目的には不向きです。異常パターンを識別する手助けにはなりますが、「いつ故障するか」を予測するものではありません。
選択肢 B：Random Cut Forest (RCF) は異常検知アルゴリズムであり、リアルタイムでデータストリーム内の異常なデータポイントを検出するのに優れています。これは故障の「兆候」を早期に捉えるのには有効ですが、故障が「いつ」発生するかという将来の具体的な時期を予測するものではありません。
選択肢 C：XGBoostなどの分類アルゴリズムは、現在のセンサー値に基づいて機器の状態を『正常』または『要点検』といったカテゴリに分類するのには適しています。しかし、これは特定の将来の時点での故障イベントを直接予測する時系列予測とは異なり、「いつ故障するか」という時間軸の問いには直接答えられません。
選択肢 A：K-Meansはクラスタリングアルゴリズムであり、データの類似パターンをグループ化するのに適していますが、特定の時点での将来のイベント（故障）を直接予測する目的には不向きです。異常パターンを識別する手助けにはなりますが、「いつ故障するか」を予測するものではありません。
選択肢 B：Random Cut Forest (RCF) は異常検知アルゴリズムであり、リアルタイムでデータストリーム内の異常なデータポイントを検出するのに優れています。これは故障の「兆候」を早期に捉えるのには有効ですが、故障が「いつ」発生するかという将来の具体的な時期を予測するものではありません。
選択肢 C：XGBoostなどの分類アルゴリズムは、現在のセンサー値に基づいて機器の状態を『正常』または『要点検』といったカテゴリに分類するのには適しています。しかし、これは特定の将来の時点での故障イベントを直接予測する時系列予測とは異なり、「いつ故障するか」という時間軸の問いには直接答えられません。
関連サービスの解説
Amazon SageMaker＋ 質問 / コメント
解答・解説に疑問がある場合や、よりよい解説がある場合など、お気軽にコメントください。ただし、短文コメントは表示されません。また、中傷などコメントの内容によっては、会員機能を停止させて頂きます。教え学び合える場になれば嬉しいです。（コメント投稿にはログインが必要です）
正答率 %
No.14 解説
通信インフラ企業は、広範囲に展開するネットワーク機器の安定稼働を最重要視しています。しかし、機器の突発的な故障により、サービスの計画外停止が発生し、運用コストの増加や顧客からの信頼低下が課題となっています。同社は、各機器に搭載されたセンサーから継続的に収集される稼働時間、内部温度、電源電圧、通信エラー率などの膨大な時系列データを活用し、将来の故障時期を事前に把握する予測保守システムを構築することを決定しました。これにより、メンテナンスのタイミングを最適化し、ダウンタイムを最小限に抑えたいと考えています。
この要件を満たすため、Amazon SageMakerの組み込みアルゴリズムの中から最も適切な選択肢を選んでください。
- K-Meansアルゴリズムを使用して、センサーデータにおける異常な動作パターンをクラスター化し、新たなデータがどのクラスターに属するかで故障リスクを評価する。
- Random Cut Forest (RCF) アルゴリズムを適用し、センサーデータの異常値をリアルタイムで検出し、これを潜在的な故障の早期兆候としてアラートを生成する。
- XGBoostなどの分類アルゴリズムを導入し、複数のセンサー値を特徴量として機器の状態を『正常』または『要点検』に分類し、予防保守の必要性を判断する。
- DeepARアルゴリズムを利用し、過去の多様なセンサーデータと故障履歴に基づいて、各機器の将来の特定の期間における故障発生確率や故障時期を直接予測する。